本文關(guān)鍵詞：大豆秸稈成分近紅外光譜分析快速檢測方法研究

  更多相關(guān)文章： 大豆秸稈 近紅外光譜分析 小波變換 偏最小二乘 支持向量機

【摘要】：我國正處于經(jīng)濟飛速發(fā)展時期,近年來我國對能源需求也急劇增加,我國已經(jīng)處于連年能源短缺,供需不均衡的狀態(tài),對外原油依賴度也越來越大,面對這種狀況我國提出了改善能源結(jié)構(gòu),合理有效的利用新能源和可再生能源的指導方針,其中生物質(zhì)能源是可再生能源中重要的一部分,在我國每年都有大量的生物質(zhì)資源被廢棄,如何合理而有效的利用生物質(zhì)能源是一個嚴峻而適時的考驗,生物質(zhì)能源的開發(fā)和利用會為我國能源短缺問題找到新的突破口和根本性解決方案。目前對于生物質(zhì)能的利用主要還是集中于制造燃料酒精及生物柴油,但是受制于制造工藝和技術(shù)的限制,傳統(tǒng)化學方法無法實現(xiàn)生物質(zhì)成分含量及其配比的實時和在線化檢測,缺少明確配比的指導使得生物燃料在制造過程中燃料質(zhì)量和產(chǎn)量無法得到保障。本文以此為切入點,以大豆秸稈為研究對象,采用近紅外光譜分析技術(shù)探索實現(xiàn)大豆秸稈主要成分纖維素、半纖維素和木質(zhì)素含量的快速檢測方法,希望通過該技術(shù)的逐步完善和成熟為日后生物燃料生產(chǎn)過程提出一種實時和在線化快速檢測方案。首先在黑龍江省內(nèi)采集了160株不同地區(qū)和品種的大豆秸稈后,完成對大豆秸稈的化學定標及光譜掃描,同時對近紅外光譜分析中的各種數(shù)據(jù)處理方法和建模方法進行了論證。主要研究結(jié)果如下:(1)對大豆秸稈成分纖維素、半纖維素、木質(zhì)素進行了樣品正態(tài)分析,確保所選樣品具有代表性,通過建立頻數(shù)直方圖和分布的正態(tài)性檢驗圖對三種成分進行統(tǒng)計,其中三種樣品布爾變量h=0,顯著性指標sig=1,95%置信區(qū)間都包含有假設(shè)均值,證明模型樣品的選取是具有充分代表性的。(2)對大豆秸稈光譜進行了多重相關(guān)性分析,其中大豆秸稈光譜之間的互相關(guān)性較低,互相關(guān)性低可以保持模型的穩(wěn)定,不易放大計算誤差,光譜和化學測定值之間的相關(guān)性總體保持穩(wěn)定,其中半纖維素在4000-12000cm-1范圍內(nèi)呈現(xiàn)由負相關(guān)逐步逼近正相關(guān)趨勢,多數(shù)波長相關(guān)系數(shù)保持在0.4以上,適合用來建立定量分析模型,木質(zhì)素和纖維素樣品在7500--12000cm-1相關(guān)系數(shù)保持穩(wěn)定在0.5左右,也適于用來建立定量分析模型。(3)采用馬氏距離、霍特林T2統(tǒng)計、X-Y殘差進行異常樣本的選擇,并提出了基于X-Y殘差和杠桿值的3D視圖分析法進行異常樣本選取,結(jié)果表明四種方法都可以有效準確得找到異常樣本,但由于四種算法的判別依據(jù)不同在異常樣本選取上具有一定差異性,在三種成分定量分析模型中3D視圖分析法都準確而有效的找到了異常樣本,在進行樣本剔除后模型精度大幅提升,校正集決定系數(shù)R2分別提升了7.76%,12.09%,9.04%,交互驗證均方誤差根RMSECV分別降低了0.076,0.1731,0.0942。(4)采用小波變換處理進行光譜去噪,分別選取DB小波,Haar小波和Symlet小波在不同分解層數(shù)下選擇penalty全局閾值、Bridge-massart分層閾值和缺省閾值方法進行光譜信號的分解和重構(gòu),并與其它傳統(tǒng)去噪方法進行對比,最終對半纖維素和木質(zhì)素分別選取Symlet2-2層分解和DB2-2層分解小波基對光譜進行處理,經(jīng)去噪后驗證集決定系數(shù)分別從0.462524、0.653223提升至0.6314158、0.7816511。(5)分別對纖維素、半纖維素和木質(zhì)素進行特征波段選擇,選取相關(guān)系數(shù)法,間隔偏最小二乘(IPLS)、連續(xù)投影算法(SPA)、遺傳算法(GA)、和移動窗口最小二乘法(MWPLS)、其中IPLS選取間隔50點和間隔70點分別進行特征波段選取,SPA分別選擇全譜波段和IPLS特征波段內(nèi)根據(jù)最大有效波長m_max=10、20、30、40條件下進行特征選取,GA在全譜及IPLS特征波段內(nèi)依據(jù)評估次數(shù)evaluate=50、100條件下的特征波長選取。各種算法相對于全譜模型模型驗證結(jié)果具有大幅提升。(6)對半纖維素和纖維素校正模型采用了BP神經(jīng)網(wǎng)絡(luò)進行模型建立,并與PLS模型進行了驗證對比,其中BP神經(jīng)網(wǎng)絡(luò)在建立模型之前進行了最優(yōu)參數(shù)選擇,最終選擇隱含層節(jié)點為20、動量因子0.6和學習速率0.6,學習次數(shù)3500次的BP模型。(7)對木質(zhì)素校正模型采用了支持向量回歸(SVR)模型,并與PLS模型進行了對比,其中SVM中分別對懲罰因子C、核參數(shù)γ的選取與驗證集均方誤差RMSEP進行了論證,并對四種核函數(shù)分別進行選擇對比,最終選擇了懲罰因子C為100,核參數(shù)γ為10-4的基于RBF核函數(shù)的模型。以上研究的逐步深入和完善,對生物質(zhì)秸稈成分快速檢測提供可靠的技術(shù)保障和數(shù)據(jù)支持,同時也為日后生物燃料實現(xiàn)生產(chǎn)過程在線檢測及專用檢測儀器的研發(fā)提供理論指導。
【關(guān)鍵詞】：大豆秸稈 近紅外光譜分析 小波變換 偏最小二乘 支持向量機
【學位授予單位】：東北農(nóng)業(yè)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：S216.2
【目錄】：

• 摘要8-10
• 英文摘要10-12
• 1 前言12-27
• 1.1 研究背景12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-18
• 1.2.1 可再生能源發(fā)展現(xiàn)狀13-15
• 1.2.2 作物秸稈現(xiàn)有的檢測方法及其改進15-16
• 1.2.3 近紅外快速檢測方法在秸稈檢測中的應(yīng)用16-18
• 1.3 近紅外光譜分析技術(shù)簡介18-24
• 1.3.1 原理及光譜特征18-19
• 1.3.2 近紅外光譜采集19-21
• 1.3.3 分析流程21-22
• 1.3.4 近紅外光譜分析評價指標22-23
• 1.3.5 近紅外光譜分析技術(shù)特點及應(yīng)用23-24
• 1.4 本文研究內(nèi)容及技術(shù)路線24-27
• 1.4.1 研究內(nèi)容24-25
• 1.4.2 技術(shù)路線25-27
• 2 大豆秸稈半纖維素近紅外檢測27-67
• 2.1 樣品采集標定及光譜測量27-31
• 2.1.1 樣品采集制備及標定27-30
• 2.1.2 光譜采集30-31
• 2.2 樣品分析31-33
• 2.2.1 樣品采集制備及標定31-32
• 2.2.2 多重相關(guān)性分析32-33
• 2.3 預(yù)處理分析方法33-59
• 2.3.1 異常樣本剔除33-39
• 2.3.2 樣品集的劃分39-40
• 2.3.3 光譜去噪處理40-50
• 2.3.4 特征波長選擇50-59
• 2.4 定量分析模型59-66
• 2.4.1 偏最小二乘回歸59-61
• 2.4.2 BP神經(jīng)網(wǎng)絡(luò)61-66
• 2.5 本章小結(jié)66-67
• 3 大豆秸稈木質(zhì)素近紅外檢測67-86
• 3.1 樣品采集標定及光譜測量67
• 3.1.1 樣品采集制備及標定67
• 3.1.2 光譜測量67
• 3.2 樣品分析67-69
• 3.2.1 樣品正態(tài)分析67-68
• 3.2.2 多重相關(guān)性分析68-69
• 3.3 預(yù)處理分析方法69-81
• 3.3.1 異常樣本剔除69-72
• 3.3.2 樣本集的劃分72-73
• 3.3.3 光譜去噪處理73-75
• 3.3.4 特征波長選擇75-81
• 3.4 定量分析模型建立81-85
• 3.4.1 偏最小二乘回歸81
• 3.4.2 支持向量機回歸81-85
• 3.5 本章小結(jié)85-86
• 4 大豆秸稈纖維素近紅外檢測86-98
• 4.1 樣品采集標定及光譜測量86
• 4.1.1 樣品采集制備及標定86
• 4.1.2 光譜測量86
• 4.2 樣品分析86-88
• 4.2.1 樣品正態(tài)分析86-87
• 4.2.2 多重相關(guān)性分析87-88
• 4.3 預(yù)處理分析方法88-96
• 4.3.1 異常樣本剔除88-91
• 4.3.2 樣品集的劃分91-92
• 4.3.3 光譜去噪處理92
• 4.3.4 特征波長選擇92-96
• 4.4 定量分析模型建立96-97
• 4.5 本章小結(jié)97-98
• 5 結(jié)論98-100
• 致謝100-101
• 參考文獻101-110
• 攻讀博士學位期間發(fā)表的學術(shù)論文110

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 范維燕;林家永;邢邯;竇發(fā)德;吳玉凱;;稻谷脂肪酸值近紅外光譜快速測定技術(shù)研究[J];食品科學;2009年24期

，

本文編號：1089898